Reading layer `municipiors4326' from data source 
  `C:\Users\fernanda-romeiro\OneDrive - Governo do Estado do Rio Grande do Sul\Projetos\MVIOL\MVIOL_project\Dados\ShapeRS\municipiors4326.shp' 
  using driver `ESRI Shapefile'
Simple feature collection with 496 features and 31 fields
Geometry type: POLYGON
Dimension:     XY
Bounding box:  xmin: -57.64332 ymin: -33.75158 xmax: -49.69114 ymax: -27.08011
CRS:           NA

Dados: SINAN

Para este banco de dados foi filtrado somente pacientes do gênero FEMININO e que a motivação de violência esteja relacionada com SEXISMO.

Há as seguintes violências:

Física
Psicológica/ moral
Tortura
Sexual
Tráfico de seres humanos (não entrou na soma)
Financeira/econômico
Negligencia/ abandono (não entrou na soma)
Trabalho infantil (não entrou na soma)
Intervenção legal (não entrou na soma)

E como meios de agressão:

Força corporal/espancamento
Enforcamento
Objeto contundente
Objeto perfuro-cortante
Substancia/objeto
Envenenamento,Intoxicação
Arma de fogo
Ameaça

Para melhor entendimento foi feito a soma das violências e agressões separadas, agrupadas por Município e de todos os anos (2018 à 2024).

Veja o ranking com base no número de pacientes que procuraram atendimento a partir de alguma violência e/ou agressão motivada pelo sexismo na tabela abaixo.

por Município

Tabela

A tabela abaixo aborda o número total de atendimentos em cada município entre 2018 e 2024:

Indicador por atendimento

Em relação as Violências Psicológicas (84%) e Financeira (74%), foi verificado que ambas estão altamente correlacionadas a Agressão por ameaça e, por isso, não as retirei do indicador.

De 21974, somente 5096 tiveram encaminhamento para a Delegacia de atendimento à mulher. Isso corresponde a 23.19 dos atendimentos. Quando o encaminhamento é feito para outras delegacias, somente 22.84 foram para a Delegacia de atendimento à mulher.

Os municípios que, de alguma forma, encaminharam o atendimento a uma Delegacia de atendimento à Mulher foram:

por Ano

Gráfico

por Agressão

Tabela

A tabela abaixo aborda o número total de agressões em cada município entre 2018 e 2024:

por Ano

Gráfico

por Violência

Tabela

A tabela abaixo aborda o número total de violências em cada município entre 2018 e 2024:

por Ano

Gráfico

Mapas

Os indicadores construídos foram feitos através da soma de agressões e violências em TODOS os anos (2018 a 2024). Como denominador foi utilizado o número da população de mulheres de cada município maiores de 18 anos.

Abaixo tabela com os indicadores de agressão em todos os anos. É possível identificar minímo e máximo manipulando as setas.

Abaixo tabela com os indicadores de violência em todos os anos. É possível identificar minímo e máximo manipulando as setas.

Indicador de Agressão por População

Interativo

Indicador de Violência por população

Interativo

Dados: Lei Maria da Penha

O banco de dados disponível na Secretaria de Segurança Pública tem o marco temporal de 2012 á Abril de 2025. Os números absolutos disponíveis por município são:

Feminicídio Tentado
Feminicídio Consumado
Ameaça
Estupro
Lesão Corporal (não há registros do que seja considerado lesão corporal)

Lembrando que o indicador é baseado entre 2018 à 2024 devido a população e é calculado por município.

Mapas

Feminicídio Tentado

Feminicídio Consumado

Ameaça

Estupro

Lesão Corporal (não há registros do que seja considerado lesão corporal)

Dados: Consórcios

SINAN

O número absoluto de atendimentos filtrado somente pacientes do gênero FEMININO e que a motivação de violência esteja relacionada com SEXISMO por CONSÓRCIO se encontra na tabela abaixo:

Lei Maria da Penha

Indicador

Dados: Região funcional

SINAN

O número absoluto de atendimentos filtrado somente pacientes do gênero FEMININO e que a motivação de violência esteja relacionada com SEXISMO por REGIÃO FUNCIONAL se encontra na tabela abaixo:

Lei Maria Penha

Indicador

Esse indicador foi calculado através da REGIÃO FUNCIONAL.

ATENÇÃO: como um exempo, veja que a região RF3 é a que possui um maior indicador de feminicidio tentado, mas a nível município, a região RF9 é a que concentra o maior número de municípios com altos indicador. Essa informação você consegue ter em Dados: Lei Maria da Penha - Indicador

--- title: "Violência Contra a Mulher" subtitle: "**SINAN - Lei Maria da Penha**" author: "Fernanda Kelly R. Silva | Pesquisadora Estatística" editor: visual lang: pt date: "`r format(Sys.Date())`" date-format: short toc: true format: html: embed-resources: true code-fold: false code-tools: true theme: light: cosmo dark: superhero title-block-banner: "true" code-annotations: hover execute: warning: false message: false echo: false --- ```{r} library(tidyverse) library(readr) library(readxl) library(gtsummary) library(reactable) library(kableExtra) library(esquisse) library(magrittr) library(ggplot2) library(leaflet) library(sf) library(leaflet.extras) library(geobr) #library(read.dbc) ``` ```{r} #| eval: false mulherPOP_RIP <- read_excel("Dados/mulherPOP_RIP.xlsx") %>% dplyr::select("Municípios", 'Código', "2018":"2024") %>% janitor::clean_names() mulherPOP_RIP %>% tidyr::pivot_longer(cols = "x2018":"x2024", names_to = "ano_Mulherpop", values_to = "count") ``` ```{r} #| eval: false library(foreign) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/DOC/populacao.pdf" destfile <- "populacao.pdf" download.file(ftp_url, destfile, mode = "wb") # unzip(destfile, exdir = "dados_popsvs") # list.files("dados_popsvs") # pop2025 <- read.dbf("dados_popsvs/POP25.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR24.zip" destfile <- "POPSBR24.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2024 <- read.dbf("dados_popsvs/POP24.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR23.zip" destfile <- "POPSBR23.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2023 <- read.dbf("dados_popsvs/POP23.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR23.zip" destfile <- "POPSBR23.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2023 <- read.dbf("dados_popsvs/POP23.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR22.zip" destfile <- "POPSBR22.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2022 <- read.dbf("dados_popsvs/POP22.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR21.zip" destfile <- "POPSBR21.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2021 <- read.dbf("dados_popsvs/POP21.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR20.zip" destfile <- "POPSBR20.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2020 <- read.dbf("dados_popsvs/POP20.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR19.zip" destfile <- "POPSBR19.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2019 <- read.dbf("dados_popsvs/POP19.dbf", as.is = TRUE) ftp_url <- "ftp://ftp.datasus.gov.br/dissemin/publicos/IBGE/POPSVS/POPSBR18.zip" destfile <- "POPSBR18.zip" download.file(ftp_url, destfile, mode = "wb") unzip(destfile, exdir = "dados_popsvs") list.files("dados_popsvs") pop2018 <- read.dbf("dados_popsvs/POP18.dbf", as.is = TRUE) popMulher <- pop2018 %>% dplyr::bind_rows(pop2019) %>% dplyr::bind_rows(pop2020) %>% dplyr::bind_rows(pop2021) %>% dplyr::bind_rows(pop2022) %>% dplyr::bind_rows(pop2023) %>% dplyr::bind_rows(pop2023) %>% dplyr::bind_rows(pop2024) %>% dplyr::mutate(cod = stringr::str_extract(COD_MUN, "\\d{2}" )) %>% dplyr::filter(SEXO == 2 & cod == 43 & IDADE >= "018") %>% dplyr::group_by(COD_MUN, ANO) %>% dplyr::summarise(populacao_muni = sum(POP, na.rm = TRUE)) %>% dplyr::ungroup() save(popMulher, file = "C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/dados_popsvs/popMulher.RData") ``` ```{r} #| eval: false dadosSINAN_Total <- read_excel("Dados/SINAN/dadosSINAN_Total.xlsx") %>% dplyr::filter(nova_idade >= 18) %>% dplyr::mutate(dplyr::across(c(VIOL_FISIC, VIOL_PSICO, VIOL_TORT, VIOL_SEXU, VIOL_FINAN), base::as.numeric), VIOL_FISIC_cat = dplyr::case_when(VIOL_FISIC != 1 ~ 0, .default = VIOL_FISIC), VIOL_PSICO_cat = dplyr::case_when(VIOL_PSICO != 1 ~ 0, .default = VIOL_PSICO), VIOL_TORT_cat = dplyr::case_when(VIOL_TORT != 1 ~ 0, .default = VIOL_TORT), VIOL_SEXU_cat = dplyr::case_when(VIOL_SEXU != 1 ~ 0, .default = VIOL_SEXU), VIOL_FINAN_cat = dplyr::case_when(VIOL_FINAN != 1 ~ 0, .default = VIOL_FINAN), somaVIOL = base::ifelse(VIOL_FISIC_cat == 1 | VIOL_PSICO_cat == 1 | VIOL_TORT_cat == 1 | VIOL_SEXU_cat == 1 | VIOL_FINAN_cat == 1, VIOL_FISIC_cat + VIOL_PSICO_cat + VIOL_TORT_cat + VIOL_SEXU_cat + VIOL_FINAN_cat, "NA"), dplyr::across(c(AG_FORCA, AG_ENFOR, AG_OBJETO, AG_CORTE, AG_QUENTE, AG_ENVEN, AG_FOGO, AG_AMEACA), base::as.numeric), AG_FORCA_cat = dplyr::case_when(AG_FORCA != 1 ~ 0, .default = AG_FORCA), AG_ENFOR_cat = dplyr::case_when(AG_ENFOR != 1 ~ 0, .default = AG_ENFOR), AG_OBJETO_cat = dplyr::case_when(AG_OBJETO != 1 ~ 0, .default = AG_OBJETO), AG_CORTE_cat = dplyr::case_when(AG_CORTE != 1 ~ 0, .default = AG_CORTE), AG_QUENTE_cat = dplyr::case_when(AG_QUENTE != 1 ~ 0, .default = AG_QUENTE), AG_ENVEN_cat = dplyr::case_when(AG_ENVEN != 1 ~ 0, .default = AG_ENVEN), AG_FOGO_cat = dplyr::case_when(AG_FOGO != 1 ~ 0, .default = AG_FOGO), AG_AMEACA_cat = dplyr::case_when(AG_AMEACA != 1 ~ 0, .default = AG_AMEACA), somaAGR = base::ifelse(AG_FORCA_cat == 1 | AG_ENFOR_cat == 1 | AG_OBJETO_cat == 1 | AG_CORTE_cat == 1 | AG_QUENTE_cat == 1 | AG_ENVEN_cat == 1 | AG_FOGO_cat == 1 | AG_AMEACA_cat== 1, AG_FORCA_cat + AG_ENFOR_cat + AG_OBJETO_cat + AG_CORTE_cat + AG_QUENTE_cat + AG_ENVEN_cat + AG_FOGO_cat + AG_AMEACA_cat, "NA"), dplyr::across(c(somaAGR, somaVIOL), base::as.numeric)) save(dadosSINAN_Total, file = "C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/dados_popsvs/dadosSINAN_Total.RData") ``` ```{r} load("C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/dados_popsvs/popMulher.RData") load("C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/dados_popsvs/dadosSINAN_Total.RData") MUNICIPIOS <- read_excel("C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/Dados/ShapeRS/MUNICIPIOS.xlsx") MUNICIPIOS_MP <- read_excel("Dados/ShapeRS/MUNICIPIOS_MP.xlsx") ``` ```{r} merge_1 <- dadosSINAN_Total %>% dplyr::select(codigo_ibge, somaVIOL, somaAGR, ID_UNIDADE, NU_IDADE_N, ano_not) %>% dplyr::group_by(codigo_ibge, ano_not) %>% dplyr::summarise(somAGR_Total = sum(somaAGR, na.rm = TRUE), somaVIOL_Total = sum(somaVIOL, na.rm = TRUE)) # %>% # dplyr::filter(codigo_ibge == "4300059") merge_2 <- popMulher %>% #dplyr::filter(COD_MUN == "4300059") %>% dplyr::left_join(MUNICIPIOS %>% dplyr::mutate(`CODIGO IBGE` = as.character(`CODIGO IBGE`)), by = c("COD_MUN" = "CODIGO IBGE")) merge <- merge_1 %>% dplyr::mutate(codigo_ibge = as.character(codigo_ibge)) %>% dplyr::left_join(merge_2, by = c("codigo_ibge" = "COD_MUN", "ano_not" = "ANO")) %>% dplyr::mutate(indicadorAGR = round(somAGR_Total/populacao_muni,4), indicadorVIOL = round(somaVIOL_Total/populacao_muni,4)) %>% dplyr::select("MUNICÍPIO", "CODIGO IBGE_6D", codigo_ibge, ano_not, somAGR_Total, somaVIOL_Total, populacao_muni, indicadorAGR, indicadorVIOL) ``` ```{r} load("C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/dados_popsvs/popMulher.RData") popMulher_wider <- popMulher %>% tidyr::pivot_wider(names_from = ANO, values_from = populacao_muni) %>% janitor::adorn_totals(c("col")) ``` ```{r} shapefile <- st_read("C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/Dados/ShapeRS/municipiors4326.shp") ``` # Dados: SINAN Para este banco de dados foi filtrado somente pacientes do gênero **FEMININO** e que a motivação de violência esteja relacionada com **SEXISMO**. Há as seguintes **violências**: - Física - Psicológica/ moral - Tortura - Sexual - Tráfico de seres humanos (não entrou na soma) - Financeira/econômico - Negligencia/ abandono (não entrou na soma) - Trabalho infantil (não entrou na soma) - Intervenção legal (não entrou na soma) E como **meios de agressão**: - Força corporal/espancamento - Enforcamento - Objeto contundente - Objeto perfuro-cortante - Substancia/objeto - Envenenamento,Intoxicação - Arma de fogo - Ameaça Para melhor entendimento foi feito a soma das violências e agressões separadas, agrupadas por Município e de todos os anos (2018 à 2024). Veja o ranking com base no número de pacientes que procuraram atendimento a partir de alguma violência e/ou agressão motivada pelo sexismo na tabela abaixo. # por Município ## Tabela A tabela abaixo aborda o número total de atendimentos em cada município entre 2018 e 2024: ```{r} tableMuni_SINAN <- dadosSINAN_Total %>% dplyr::filter(nova_idade >= 18) %>% dplyr::group_by(municipio) %>% dplyr::count() reactable(tableMuni_SINAN, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` # Indicador por atendimento Em relação as Violências Psicológicas (**84%**) e Financeira (**74%**), foi verificado que ambas estão altamente correlacionadas a **Agressão por ameaça** e, por isso, não as retirei do indicador. ::: panel-tabset ## Tabela ```{r} options(scipen=999) tableMuni_IND <- tableMuni_SINAN %>% dplyr::rename("n_atendimentos" = n) %>% dplyr::mutate(municipio = dplyr::case_when(#municipio == "Xangri-lá" ~ "Xangri-Lá", municipio == "Restinga Seca" ~ "Restinga Sêca", .default = municipio)) %>% dplyr::left_join(MUNICIPIOS_MP %>% dplyr::select(municipio, codigo_ibge_6d, codigo_ibge), by = c("municipio" = "municipio")) %>% dplyr::left_join(popMulher_wider %>% dplyr::select(COD_MUN, Total) %>% dplyr::mutate(COD_MUN = base::as.double(COD_MUN)), by = c("codigo_ibge" = "COD_MUN")) %>% dplyr::group_by(codigo_ibge) %>% dplyr::mutate(indicador = n_atendimentos/Total) %>% dplyr::ungroup() %>% dplyr::mutate(municipio = dplyr::case_when(municipio == "Xangri-lá" ~ "Xangri-Lá", municipio == "Restinga Seca" ~ "Restinga Sêca", .default = municipio)) ``` ```{r} tableMuni_IND %>% dplyr::select(municipio, n_atendimentos, indicador) %>% reactable(filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Mapa ```{r} tableMuni_INDMAPA <- shapefile %>% dplyr::left_join(tableMuni_IND, by = c("CODIBGE" = "codigo_ibge" )) ``` ```{r} library(leaflet) leaflet(tableMuni_INDMAPA) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = tableMuni_INDMAPA$indicador )(indicador), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Número de Atendimentos:", format(indicador, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = tableMuni_INDMAPA$indicador ), values = tableMuni_INDMAPA$indicador, opacity = 0.7, title = "Número de Atendimentos", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` ::: De `r dim(dadosSINAN_Total)[[1]]`, somente `r table(dadosSINAN_Total$DELEG_MULH, useNA = "always")[[1]]` tiveram encaminhamento para a Delegacia de atendimento à mulher. Isso corresponde a `r round((table(dadosSINAN_Total$DELEG_MULH, useNA = "always")[[1]]/21974)*100,2)` dos atendimentos. Quando o encaminhamento é feito para outras delegacias, somente `r round((table(dadosSINAN_Total$DELEG_MULH, dadosSINAN_Total$DELEG, useNA = "always")[[1]]/table(dadosSINAN_Total$DELEG, useNA = "always")[[1]])*100,2)` foram para a Delegacia de atendimento à mulher. Os municípios que, de alguma forma, encaminharam o atendimento a uma Delegacia de atendimento à Mulher foram: ```{r} tableDeleg <- dadosSINAN_Total %>% dplyr::filter(DELEG_MULH == 1) %>% dplyr::group_by(municipio) %>% dplyr::count() reactable(tableDeleg, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ### por Ano ```{r} tableMuni_Ano <- dadosSINAN_Total %>% dplyr::filter(nova_idade >= 18) %>% dplyr::select(nova_idade, municipio, ano_not) %>% dplyr::group_by(municipio, ano_not) %>% dplyr::summarise(n = n()) %>% tidyr::pivot_wider(names_from = ano_not, values_from = n) %>% dplyr::relocate("municipio", "2018", "2019","2020", "2021","2022", "2023","2024") reactable(tableMuni_Ano, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Gráfico ```{r} graf1 <- ggplot(dadosSINAN_Total) + aes(x = ano_not, group = municipio) + geom_bar(fill = "#112446") + theme_minimal() plotly::ggplotly(graf1) ``` # por Agressão ## Tabela A tabela abaixo aborda o número total de **agressões** em cada município entre 2018 e 2024: ```{r} tableAGR_1 <- merge %>% dplyr::select(MUNICÍPIO, somAGR_Total) %>% dplyr::group_by(MUNICÍPIO) %>% dplyr::summarise(n = sum(somAGR_Total, na.rm = TRUE)) reactable(tableAGR_1, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ### por Ano ```{r} tableAGR_2_ANO <- merge %>% dplyr::select(MUNICÍPIO, ano_not, somAGR_Total) %>% dplyr::group_by(MUNICÍPIO, ano_not) %>% dplyr::summarise(n = sum(somAGR_Total, na.rm = TRUE)) %>% tidyr::pivot_wider(names_from = ano_not, values_from = n) %>% dplyr::relocate("MUNICÍPIO", "2018", "2019","2020", "2021","2022", "2023","2024") reactable(tableAGR_2_ANO, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Gráfico ```{r} graf2 <- merge %>% dplyr::group_by(ano_not) %>% dplyr::mutate(soma = sum(somAGR_Total, na.rm = TRUE)) %>% ggplot() + aes(x = ano_not, y = soma) + geom_col(fill = "#112446") + #geom_line(colour = "#112446") + theme_minimal() plotly::ggplotly(graf2) ``` # por Violência ## Tabela A tabela abaixo aborda o número total de **violências** em cada município entre 2018 e 2024: ```{r} tableVIOL_1 <- merge %>% dplyr::select(MUNICÍPIO, somaVIOL_Total) %>% dplyr::group_by(MUNICÍPIO) %>% dplyr::summarise(n = sum(somaVIOL_Total, na.rm = TRUE)) reactable(tableVIOL_1, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ### por Ano ```{r} tableVIOL_2_ANO <- merge %>% dplyr::select(MUNICÍPIO, ano_not, somaVIOL_Total) %>% dplyr::group_by(MUNICÍPIO, ano_not) %>% dplyr::summarise(n = sum(somaVIOL_Total, na.rm = TRUE)) %>% tidyr::pivot_wider(names_from = ano_not, values_from = n) %>% dplyr::relocate("MUNICÍPIO", "2018", "2019","2020", "2021","2022", "2023","2024") reactable(tableVIOL_2_ANO, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Gráfico ```{r} graf2 <- merge %>% dplyr::group_by(ano_not) %>% dplyr::mutate(soma = sum(somaVIOL_Total, na.rm = TRUE)) %>% ggplot() + aes(x = ano_not, y = soma) + geom_col(fill = "#112446") + #geom_line(colour = "#112446") + theme_minimal() plotly::ggplotly(graf2) ``` # Mapas Os indicadores construídos foram feitos através da soma de agressões e violências em TODOS os anos (2018 a 2024). Como denominador foi utilizado o número da população de mulheres de cada município maiores de 18 anos. Abaixo tabela com os indicadores de **agressão** em todos os anos. **É possível identificar minímo e máximo manipulando as setas.** ```{r} tableIndicadores_AGR <- merge %>% dplyr::select(MUNICÍPIO, indicadorAGR, ano_not) %>% #dplyr::group_by(MUNICÍPIO, ano_not) %>% tidyr::pivot_wider(names_from = ano_not, values_from = indicadorAGR) %>% dplyr::relocate("MUNICÍPIO", "2018", "2019","2020", "2021","2022", "2023","2024") reactable(tableIndicadores_AGR, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` Abaixo tabela com os indicadores de **violência** em todos os anos. **É possível identificar minímo e máximo manipulando as setas.** ```{r} tableIndicadores_VIOL <- merge %>% dplyr::select(MUNICÍPIO, indicadorVIOL, ano_not) %>% #dplyr::group_by(MUNICÍPIO, ano_not) %>% tidyr::pivot_wider(names_from = ano_not, values_from = indicadorVIOL) %>% dplyr::relocate("MUNICÍPIO", "2018", "2019","2020", "2021","2022", "2023","2024") reactable(tableIndicadores_VIOL, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Indicador de Agressão por População ```{r} #| warning: false # Carregar municípios do RS (código UF = 43) # municipios_rs <- read_municipality(code_muni = 43, year = 2022) # ggplot(municipios_rs) + geom_sf() merge_Mapa <- shapefile %>% dplyr::mutate(CODIBGE = base::as.character(CODIBGE)) %>% dplyr::left_join(merge %>% dplyr::select(codigo_ibge, ano_not, somAGR_Total, somaVIOL_Total, populacao_muni, indicadorAGR, indicadorVIOL), by = c("CODIBGE" = "codigo_ibge")) ``` ```{r} library(ggplot2) ggplot(merge_Mapa) + geom_sf(aes(fill = indicadorAGR)) + scale_fill_gradient( low = "mistyrose", high = "deeppink3", name = "Indicador Agressões" ) + coord_sf() + labs(title = "Mapa do Indicador Agressões") + theme_void() + theme( plot.title = element_text(hjust = 0.5, size = 14, face = "bold"), legend.position = "right", panel.grid.major = element_line(color = "grey80", linetype = "dashed") ) ``` ### Interativo ```{r} library(leaflet) leaflet(merge_Mapa) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_Mapa$indicadorAGR )(indicadorAGR), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Agressões:", format(indicadorAGR, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_Mapa$indicadorAGR ), values = merge_Mapa$indicadorAGR, opacity = 0.7, title = "Indicador Agressões", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` ## Indicador de Violência por população ```{r} library(ggplot2) ggplot(merge_Mapa) + geom_sf(aes(fill = indicadorVIOL)) + scale_fill_gradient( low = "mistyrose", high = "deeppink3", name = "Indicador Violências" ) + coord_sf() + labs(title = "Mapa do Indicador Violências") + theme_void() + theme( plot.title = element_text(hjust = 0.5, size = 14, face = "bold"), legend.position = "right", panel.grid.major = element_line(color = "grey80", linetype = "dashed") ) ``` ### Interativo ```{r} library(leaflet) leaflet(merge_Mapa) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_Mapa$indicadorVIOL )(indicadorVIOL), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Agressões:", format(indicadorVIOL, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_Mapa$indicadorVIOL ), values = merge_Mapa$indicadorVIOL, opacity = 0.7, title = "Indicador Agressões", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` ```{r} # library(writexl) # sheets <- list("Municipios" = tableMuni, # "Delegacias" = tableDeleg, # "Municipios_ano" = tableMuni_Ano, # "Agressao" = tableAGR_1, # "Agressao_ano" = tableAGR_2_ANO, # "Violencia" = tableVIOL_1, # "Violencia_ano" = tableVIOL_2_ANO, # "Indicador Agressao" = tableIndicadores_AGR, # "Indicador Violencia" = tableIndicadores_VIOL) # # writexl::write_xlsx(sheets, # paste0("C:/Users/fernanda-romeiro/OneDrive - Governo do Estado do Rio Grande do Sul/Projetos/MVIOL/MVIOL_project/dados_popsvs/tabelas_VIOL.xlsx")) ``` # Dados: Lei Maria da Penha O banco de dados disponível na Secretaria de Segurança Pública tem o marco temporal de 2012 á Abril de 2025. Os números absolutos disponíveis por município são: - Feminicídio **Tentado** - Feminicídio **Consumado** - Ameaça - Estupro - Lesão Corporal (não há registros do que seja considerado lesão corporal) ::: panel-tabset ## Valor absoluto ```{r} tabMVIOL_1 <- read_excel("Dados/SSP_LEIPENHA/dadosTotais_LEIPENHA.xlsx") %>% dplyr::group_by(municipio) %>% dplyr::mutate(Total_Tentado = base::sum(total_2018.tentado, total_2019.tentado, total_2020.tentado, total_2021.tentado, total_2022.tentado, total_2023.tentado, total_2024.tentado, total_2025.tentado, na.rm = TRUE), Total_Consumado = base::sum(total_2018.consumado, total_2019.consumado, total_2020.consumado, total_2021.consumado, total_2022.consumado, total_2023.consumado, total_2024.consumado, total_2025.consumado, na.rm = TRUE), Total_Ameaca = base::sum(total_2018.ameaca,total_2019.ameaca, total_2020.ameaca, total_2021.ameaca, total_2022.ameaca, total_2023.ameaca, total_2024.ameaca, total_2025.ameaca, na.rm = TRUE), Total_Estupro = base::sum(total_2018.Estupro, total_2019.Estupro, total_2020.Estupro, total_2021.Estupro, total_2022.Estupro, total_2023.Estupro, total_2024.Estupro, total_2025.Estupro, na.rm = TRUE), Total_LCorporal = base::sum(total_2018.LesaoCorporal, total_2019.LesaoCorporal, total_2020.LesaoCorporal, total_2021.LesaoCorporal, total_2021.LesaoCorporal, total_2022.LesaoCorporal, total_2018.LesaoCorporal, total_2025.LesaoCorporal, na.rm = TRUE)) %>% dplyr::select(municipio, regiao_funcional, Total_Tentado:Total_LCorporal) reactable::reactable(tabMVIOL_1, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Indicador **Lembrando que o indicador é baseado entre 2018 à 2024 devido a população e é calculado por município.** ```{r} options(scipen=999) tabMVIOL_2 <- read_excel("Dados/SSP_LEIPENHA/dadosTotais_LEIPENHA.xlsx") %>% dplyr::mutate(codigo_ibge = base::as.character(codigo_ibge)) %>% dplyr::left_join(popMulher_wider, by = c("codigo_ibge" = "COD_MUN")) %>% dplyr::group_by(municipio) %>% dplyr::mutate(Indicador_Tentado = base::sum(total_2018.tentado, total_2019.tentado, total_2020.tentado, total_2021.tentado, total_2022.tentado, total_2023.tentado, total_2024.tentado, na.rm = TRUE)/Total, Indicador_Consumado = base::sum(total_2018.consumado, total_2019.consumado, total_2020.consumado, total_2021.consumado, total_2022.consumado, total_2023.consumado, total_2024.consumado, na.rm = TRUE)/Total, Indicador_Ameaca = base::sum(total_2018.ameaca,total_2019.ameaca, total_2020.ameaca, total_2021.ameaca, total_2022.ameaca, total_2023.ameaca, total_2024.ameaca, na.rm = TRUE)/Total, Indicador_Estupro = base::sum(total_2018.Estupro, total_2019.Estupro, total_2020.Estupro, total_2021.Estupro, total_2022.Estupro, total_2023.Estupro, total_2024.Estupro, na.rm = TRUE)/Total, Indicador_LCorporal = base::sum(total_2018.LesaoCorporal, total_2019.LesaoCorporal, total_2020.LesaoCorporal, total_2021.LesaoCorporal, total_2021.LesaoCorporal, total_2022.LesaoCorporal, total_2018.LesaoCorporal, na.rm = TRUE)/Total) %>% dplyr::select(codigo_ibge, municipio, regiao_funcional, Indicador_Tentado:Indicador_LCorporal) reactable::reactable(tabMVIOL_2, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ::: # Mapas ## Feminicídio **Tentado** ```{r} merge_MapaLEIPENHA <- shapefile %>% dplyr::left_join(tabMVIOL_2 %>% dplyr::mutate(municipio = dplyr::case_when(municipio == "Restinga Seca" ~ "Restinga Sêca", municipio == "Vespasiano Correa" ~ "Vespasiano Corrêa", municipio == "Xangri-lá" ~ "Xangri-Lá", .default = municipio)), by = c("MUNICIPIO" = "municipio")) ``` ```{r} library(leaflet) leaflet(merge_MapaLEIPENHA) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Tentado )(Indicador_Tentado), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Feminicídio Tentado:", format(Indicador_Tentado, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Tentado ), values = merge_MapaLEIPENHA$Indicador_Tentado, opacity = 0.7, title = "Feminicídio Tentado", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` ## Feminicídio **Consumado** ```{r} library(leaflet) leaflet(merge_MapaLEIPENHA) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Consumado )(Indicador_Consumado), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Feminicídio Tentado:", format(Indicador_Consumado, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Consumado ), values = merge_MapaLEIPENHA$Indicador_Consumado, opacity = 0.7, title = "Feminicídio Tentado", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` ## Ameaça ```{r} library(leaflet) leaflet(merge_MapaLEIPENHA) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Ameaca )(Indicador_Ameaca), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Feminicídio Tentado:", format(Indicador_Ameaca, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Ameaca ), values = merge_MapaLEIPENHA$Indicador_Ameaca, opacity = 0.7, title = "Feminicídio Tentado", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` ## Estupro ```{r} library(leaflet) leaflet(merge_MapaLEIPENHA) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Estupro )(Indicador_Estupro), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Feminicídio Tentado:", format(Indicador_Estupro, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_Estupro ), values = merge_MapaLEIPENHA$Indicador_Estupro, opacity = 0.7, title = "Feminicídio Tentado", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` ## Lesão Corporal (não há registros do que seja considerado lesão corporal) ```{r} library(leaflet) leaflet(merge_MapaLEIPENHA) %>% addTiles() %>% # Adiciona o mapa base padrão OpenStreetMap addPolygons( fillColor = ~colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_LCorporal )(Indicador_LCorporal), weight = 1, opacity = 1, color = "white", dashArray = "3", fillOpacity = 0.7, highlightOptions = highlightOptions( weight = 2, color = "#666", dashArray = "", fillOpacity = 0.7, bringToFront = TRUE ), label = ~paste( "Município:", MUNICIPIO, " ", "Indicador Feminicídio Tentado:", format(Indicador_LCorporal, scientific = FALSE, big.mark = ".", decimal.mark = ",") ) %>% lapply(htmltools::HTML), labelOptions = labelOptions( style = list("font-weight" = "normal", padding = "3px 8px"), textsize = "13px", direction = "auto" ) ) %>% addLegend( pal = colorNumeric( palette = c("mistyrose", "deeppink3"), domain = merge_MapaLEIPENHA$Indicador_LCorporal ), values = merge_MapaLEIPENHA$Indicador_LCorporal, opacity = 0.7, title = "Feminicídio Tentado", position = "bottomright", labFormat = labelFormat(big.mark = ".") ) ``` # Dados: Consórcios ```{r} dadosConsorcio <- read_excel("Dados/Consorcio/Consórcios para Fernanda.xlsx") %>% janitor::clean_names() %>% dplyr::mutate(municipios = dplyr::case_when(municipios == "Passo Fundo*" ~ "Passo Fundo", .default = municipios)) %>% dplyr::left_join(MUNICIPIOS_MP, by = c("cod_mun" = "codigo_ibge")) %>% dplyr::left_join(tableMuni_SINAN %>% dplyr::rename("n_atendimentos" = n) , by = c("municipio" = "municipio")) %>% dplyr::left_join(tabMVIOL_1 %>% dplyr::mutate(municipio = dplyr::case_when(municipio == "Restinga Seca" ~ "Restinga Sêca", municipio == "Vista Gaúcha" ~ "Vista gaúcha", municipio == "Miraguaí" ~ "Miraguai", municipio == "Santana do Livramento" ~ "Sant'Ana do Livramento", municipio == "Santo Antônio das Missões" ~ "Santo Antonio das Missões", municipio == "Vespasiano Correa" ~ "Vespasiano Corrêa", municipio == "Xangri-lá" ~ "Xangri‑lá", .default = municipio)), by = c("municipios" = "municipio")) ``` ## SINAN O número absoluto de atendimentos filtrado somente pacientes do gênero **FEMININO** e que a motivação de violência esteja relacionada com **SEXISMO** por **CONSÓRCIO** se encontra na tabela abaixo: ```{r} dadosConsorcio_SINAN <- dadosConsorcio %>% dplyr::group_by(consorcio) %>% dplyr::summarise(n = sum(n_atendimentos, na.rm = TRUE)) reactable::reactable(dadosConsorcio_SINAN, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Lei Maria da Penha ```{r} dadosConsorcio_LMP <- dadosConsorcio %>% dplyr::group_by(consorcio) %>% dplyr::summarise(Feminicidio_Tentado = sum(Total_Tentado, na.rm = TRUE), Feminicidio_Consumado = sum(Total_Consumado, na.rm = TRUE), Ameaca = sum(Total_Ameaca, na.rm = TRUE), Estupro = sum(Total_Estupro, na.rm = TRUE), LCorporal = sum(Total_LCorporal, na.rm = TRUE)) reactable::reactable(dadosConsorcio_LMP, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Indicador ```{r} dadosConsorcio_Indicador <- dadosConsorcio %>% dplyr::left_join(tableMuni_IND %>% dplyr::select(codigo_ibge, indicador) %>% dplyr::rename("indicador_SINAN" = indicador), by = c("cod_mun" = "codigo_ibge") ) %>% dplyr::left_join(tabMVIOL_2 %>% dplyr::mutate(codigo_ibge = base::as.double(codigo_ibge)), by = c("cod_mun" = "codigo_ibge")) ```          # Dados: Região funcional ## SINAN O número absoluto de atendimentos filtrado somente pacientes do gênero **FEMININO** e que a motivação de violência esteja relacionada com **SEXISMO** por **REGIÃO FUNCIONAL** se encontra na tabela abaixo: ```{r} dadosRFuncional_SINAN <- dadosSINAN_Total %>% dplyr::group_by(regiao_funcional) %>% dplyr::summarise(n_atendimentos = n()) %>% dplyr::mutate(ordem = rank(-n_atendimentos)) reactable::reactable(dadosRFuncional_SINAN, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Lei Maria Penha ```{r} dadosRFuncional_LMP <- tabMVIOL_1 %>% dplyr::group_by(regiao_funcional) %>% dplyr::summarise(Feminicidio_Tentado = sum(Total_Tentado, na.rm = TRUE), Feminicidio_Consumado = sum(Total_Consumado, na.rm = TRUE), Ameaca = sum(Total_Ameaca, na.rm = TRUE), Estupro = sum(Total_Estupro, na.rm = TRUE), LCorporal = sum(Total_LCorporal, na.rm = TRUE)) reactable::reactable(dadosRFuncional_LMP, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ``` ## Indicador Esse indicador foi calculado através da **REGIÃO FUNCIONAL**. **ATENÇÃO: como um exempo, veja que a região RF3 é a que possui um maior indicador de feminicidio tentado, mas a nível município, a região RF9 é a que concentra o maior número de municípios com altos indicador. Essa informação você consegue ter em Dados: Lei Maria da Penha - Indicador** ```{r} options(scipen=999) tabRF_Indicador <- read_excel("Dados/SSP_LEIPENHA/dadosTotais_LEIPENHA.xlsx") %>% dplyr::mutate(codigo_ibge = base::as.character(codigo_ibge)) %>% dplyr::left_join(popMulher_wider, by = c("codigo_ibge" = "COD_MUN")) %>% dplyr::group_by(regiao_funcional) %>% dplyr::mutate(Indicador_Tentado = base::sum(total_2018.tentado, total_2019.tentado, total_2020.tentado, total_2021.tentado, total_2022.tentado, total_2023.tentado, total_2024.tentado, na.rm = TRUE)/Total, Indicador_Consumado = base::sum(total_2018.consumado, total_2019.consumado, total_2020.consumado, total_2021.consumado, total_2022.consumado, total_2023.consumado, total_2024.consumado, na.rm = TRUE)/Total, Indicador_Ameaca = base::sum(total_2018.ameaca, total_2019.ameaca, total_2020.ameaca, total_2021.ameaca,total_2022.ameaca, total_2023.ameaca, total_2024.ameaca, na.rm = TRUE)/Total, Indicador_Estupro = base::sum(total_2018.Estupro, total_2019.Estupro, total_2020.Estupro, total_2021.Estupro, total_2022.Estupro, total_2023.Estupro, total_2024.Estupro, na.rm = TRUE)/Total, Indicador_LCorporal = base::sum(total_2018.LesaoCorporal, total_2019.LesaoCorporal, total_2020.LesaoCorporal, total_2021.LesaoCorporal, total_2021.LesaoCorporal, total_2022.LesaoCorporal,total_2018.LesaoCorporal, na.rm = TRUE)/Total) %>% dplyr::select(codigo_ibge, municipio, regiao_funcional, Indicador_Tentado:Indicador_LCorporal) reactable::reactable(tabRF_Indicador, filterable = TRUE, searchable = TRUE, showSortable = TRUE, minRows = 10) ```